토양 내 사용후핵연료 탄소강 캐니스터의 외부 부식률 예측에 대한 기계학습 모델링

Jun 02, 2023

Scientific Reports 12권, 기사 번호: 20281(2022) 이 기사 인용

1063 액세스

3 알트메트릭

측정항목 세부정보

토양 부식은 토양 기반 시설의 경제적 영향으로 인해 부식 공학에서 항상 중요한 관심사이며 최근에는 사용후 핵연료 용기의 초점이 되었습니다. 부식 방지 외에도 캐니스터의 부식 예측도 중요합니다. 특정 환경에서 사용후 핵연료 용기 재료의 부식률에 대한 고급 지식은 최상의 보호 방법을 선택하는 데 매우 도움이 될 수 있습니다. 부식률 예측에 기계 학습(ML)을 적용하면 토양 부식에 영향을 미치는 변수가 많기 때문에 모든 문제가 해결됩니다. 본 연구에서는 시리즈 개별, 부스팅, 배깅 인공 신경망(ANN), 시리즈 개별, 부스팅, 배깅 CHAID(Chi-squared automatic 상호 작용 탐지) 트리 결정, 선형 회귀(LR) 및 앙상블 학습을 포함한 여러 ML 알고리즘을 사용했습니다. (EL) 위의 3가지 알고리즘 방법에서 수집한 최상의 옵션을 병합합니다. 각 모델의 성능에서 가장 정확도가 높은 모델을 찾는 것이 앙상블 스태킹 방법입니다. 평균 절대 오차 성능 행렬은 그림 15에 표시됩니다. ML을 적용한 것 외에도 특성 중요도 기준을 사용한 민감도 분석을 통해 입력 변수의 유의성을 결정했으며 탄소강 부식 속도는 온도와 염화물에 가장 민감합니다.

핵폐기물을 담는 사용후핵연료통과 같은 지하 기반 시설의 사례가 많기 때문에 토양 부식은 많은 주목을 받아 왔습니다1,2,3,4. 이 인프라는 필수적이며 현대 생활에서 중요한 역할을 합니다. 방사성 폐기물의 장기 보존은 전 세계적으로 여전히 주요 과제로 남아 있습니다. 이러한 시스템의 연료와 배출될 연료는 최대 100년 동안 저장해야 할 수도 있습니다. 탄소강, 스테인레스강, 니켈합금, 티타늄합금 등 지하 폐기물 저장용으로 사용되는 캐니스터의 종류는 다양합니다. 캐니스터가 부식되고 균열이 생겨 장기간 교체할 수 없는 경우 상당한 경제적 영향을 미칠 것입니다5 . 금속의 부식률과 토양의 특성을 미리 아는 것은 엔지니어가 파이프라인6,7,8,9에 적합한 보호 방법을 찾는 데 매우 유용합니다. 그러나 토양과 같은 복잡한 환경에서의 부식속도를 예측하는 것은 쉬운 일이 아니다. 왜냐하면 토양환경에는 토양수 중의 화학물질 농도, 토양수분, 토양구조 등 부식속도에 영향을 미치는 요인이 많기 때문이다10. Matteo Stefanoniet al. 물이 토양의 공극을 채우는 다공성의 함수로서 부식 속도를 예측할 수 있는 방정식을 설명하는 매우 성공적인 연구를 발표했습니다. Mohamed El Amine Ben Seghier 등. 석유 및 가스 파이프라인13의 내부 부식 속도를 예측했습니다. 그러나 토양용액의 조성과 온도에 따라 지하금속의 외부부식률에 영향을 미치는 요인에 대해 연구한 연구자는 없다.

현대 사회에서는 기계 학습 알고리즘을 사용하여 거의 모든 수동 작업을 자동화할 수 있습니다14. 기계 학습(ML)에는 광범위한 산업 응용 분야가 있습니다15,16. 기계 학습 방법은 여러 변수가 있는 예측 모델에 적합합니다17. 최근 많은 과학 분야에서 기계 학습을 다학문적 예측에 적용했습니다17,18,19. 부식 분야에서도 많은 과학자들이 대기 중 부식 속도, 부식 억제제의 성능 및 부식 거동을 예측하기 위해 기계 학습을 적용했습니다20,21,22,23,24. 그러나 토양환경에서 탄소강 캐니스터의 부식속도를 예측하는 데 초점을 맞춘 연구는 많지 않다. 우리의 이전 연구에서는 RSM(반응 표면법)10을 사용하여 토양 용액의 pH, 염화물 및 황산염 농도의 영향을 기반으로 탄소강의 부식 속도를 예측하고 다양한 조사 범위를 사용하여 토양 용액의 pH, 염화물, 온도를 예측했습니다. RSM과 인공 신경망(ANN)25을 사용하여 값을 계산합니다. 이전 연구의 한계는 부식 요인이 세 가지뿐이라는 것입니다.